Uso de algoritmos de aprendizaje automático para analizar datos de energía eléctrica facturada. Caso: Chile 2015 – 2021

In the Chilean electricity market, end users are classified as free customers and regulated customers. The analysis of its behavior is important for the design and application of public policies in the sector. In this research, the monthly billed electricity data of Chilean regulated customers is studied during the 2015-2021 period, to detect patterns and predict the category to which they belong. K-Means algorithms are used for pattern detection, K-NN for customer category prediction, and principal component analysis to determine the most significant variables within the data set. With K-Means it was found that the data is grouped according to the type of client, with K-NN a model was obtained that allows predicting to which type of clients the data belongs, and with the analysis of principal components it was found that the variables customer type, year, and month, are the most important in the data set. More than 96% of the customers analyzed correspond to the residential type, who consumed 50% of the energy invoiced during the study period and imposed the monthly seasonality of the data. The machine learning algorithms applied to the data made it possible to generate models to group them, to predict their category, and to establish the most significant variables in terms of their variance.En el mercado eléctrico chileno, los usuarios finales se clasifican en clientes libres y clientes regulados.  El análisis del consumo energético de los clientes regulados es importante para efectos del diseño y aplicación de las políticas públicas del sector. En esta investigación se hace el análisis de los datos de energía eléctrica facturada mensual de los clientes regulados de Chile, durante el período 2015-2021, con el fin de detectar patrones y predecir la categoría a la que pertenecen. Se utilizan los algoritmos K-Means para la detección de patrones, K-NN para la predicción de la categoría de los clientes, y PCA para determinar las variables más significativas dentro del conjunto de datos. Con K-Means se encontró que los datos se agrupan de acuerdo con el tipo de cliente, con K-NN se obtuvo un modelo que permite predecir a qué tipo de clientes pertenecen los datos, y con PCA se encontró que las variables tipo de cliente, el año y el mes, son las más importantes en el conjunto de datos. Más del 96% de los clientes analizados corresponde al tipo residencial, quienes consumieron el 50% de la energía facturada durante el período de estudio, y además imponen la estacionalidad mensual de los datos. Los resultados obtenidos son de ayuda para el establecimiento y revisión de las políticas aplicadas a los clientes regulados, en cuanto a tarifas, límites de consumo en invierno, y eficiencia energética. Se recomienda continuar la investigación orientándola hacia la predicción del consumo de energía eléctrica